一个自适应重要性抽样工具包,具有变分贝叶斯、人口蒙特卡罗和马尔可夫链的实现。
pypmc的Python项目详细描述
pypmc是一个专注于自适应重要性的python包 取样。它可用于集成和采样 用户定义的目标密度。一个典型的应用是贝叶斯 推论,当一个人想从后面取样到边缘化 并计算证据。关键是创造 通过调整高斯或学生的混合建议密度 目标密度的t分量。这个包裹能有效地 将多模态函数集成到 精度不超过1%的水平。对于许多问题,这是实现的 无需用户手动输入 功能。重要性抽样支持多个 机器通过mpi4py。
可单独使用的有用工具包括:
- 重要性抽样(抽样和集成)
- 自适应马尔可夫链蒙特卡罗(抽样)
- 变分贝叶斯(聚类)
- 人口蒙特卡罗(聚类)